ಲಾಭಗಳು:
- ಟ್ರೆಂಡ್, ಕಾಲೋಚಿತತೆ, ನಿಶ್ಚಲತೆ ಮತ್ತು ಯುನಿಟ್ ರೂಟ್ನ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸಮಯ ಸರಣಿ ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಮುನ್ಸೂಚನೆಗಾಗಿ ನಿಖರವಾದ ಡೇಟಾದೊಂದಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯ.
- ARIMA/ಋತುಮಾನದ ಮಾದರಿಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮುನ್ಸೂಚಿಸುವ ಸಾಮರ್ಥ್ಯ (ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ, ಉಳಿದ ವಿಶ್ಲೇಷಣೆ) ಮತ್ತು ನಕಲಿ ಹಿಂಜರಿತವನ್ನು ತಪ್ಪಿಸುವುದು
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮುನ್ಸೂಚನೆಯು ಹಿಂದಿನ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ರಚನಾತ್ಮಕ ವಿರಾಮ ಮತ್ತು ಬಿಕ್ಕಟ್ಟಿನ ಅವಧಿಯಲ್ಲಿ ತಜ್ಞರ ತೀರ್ಪು ಮುಂಚೂಣಿಗೆ ಬರುತ್ತದೆ ಎಂದು ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞರು ಮತ್ತು ಹಣಕಾಸು ವಿಶ್ಲೇಷಕರ ಬ್ರೆಡ್ ಮತ್ತು ಬೆಣ್ಣೆಯಾಗಿರುವ ಹೆಚ್ಚಿನ ಡೇಟಾವು ಸಮಯದ ಸರಣಿಯಾಗಿದೆ: ಅದೇ ವೇರಿಯಬಲ್ನ ಮೌಲ್ಯಗಳನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ನಿಯಮಿತ ಮಧ್ಯಂತರದಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ (ಮಾಸಿಕ ಹಣದುಬ್ಬರ, ದೈನಂದಿನ ಷೇರು ಬೆಲೆ, ತ್ರೈಮಾಸಿಕ GDP). ಸಮಯ ಸರಣಿಯು ಸಾಮಾನ್ಯ ಅಡ್ಡ-ವಿಭಾಗದ ಡೇಟಾದಿಂದ ಮೂಲಭೂತವಾಗಿ ಭಿನ್ನವಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ ಅವಲೋಕನಗಳು ಸ್ವತಂತ್ರವಾಗಿಲ್ಲ: ಇಂದಿನ ಮೌಲ್ಯವು ನಿನ್ನೆ ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಈ ಅವಲಂಬನೆಯು ಒಂದು ಅವಕಾಶವಾಗಿದೆ (ನಾವು ಭವಿಷ್ಯವನ್ನು ಊಹಿಸಬಹುದು) ಮತ್ತು ಅಪಾಯವಾಗಿದೆ (ಸಾಮಾನ್ಯ ಹಿಂಜರಿತವು ಇಲ್ಲಿ ಸುಲಭವಾಗಿ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ). ಈ ಘಟಕದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಸಮಯ ಸರಣಿಯ ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಮುನ್ಸೂಚನೆಯನ್ನು ಹೇಗೆ ವೇಗಗೊಳಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ, ಆದರೆ ಏಕೆ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಟ್ರ್ಯಾಪ್-ಸ್ಪರಿಯಸ್ ರಿಗ್ರೆಶನ್-ಗಮನದ ಅಗತ್ಯವಿದೆ.
ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು
ಸಮಯ ಸರಣಿಯು ಸಾಮಾನ್ಯವಾಗಿ ಮೂರು ಘಟಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ: ಪ್ರವೃತ್ತಿ (ದೀರ್ಘಕಾಲದ ಮೇಲ್ಮುಖ/ಕೆಳಮುಖ ಪ್ರವೃತ್ತಿ), ಋತುಮಾನ (ವರ್ಷವಿಡೀ ಪುನರಾವರ್ತನೆಯಾಗುವ ನಿಯಮಿತ ಮಾದರಿ, ಉದಾ. ಬೇಸಿಗೆಯಲ್ಲಿ ಹೆಚ್ಚಿದ ಪ್ರವಾಸೋದ್ಯಮ), ಮತ್ತು ಸೈಕಲ್/ಶಬ್ದ (ಉಳಿದ ಚಂಚಲತೆ). ಮಾಡೆಲಿಂಗ್ ಮಾಡುವ ಮೊದಲು, ಸರಣಿಯ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಲಕ್ಷಣವೆಂದರೆ ಸ್ಥಿರತೆ.
ಸ್ಥಾಯಿ ಸರಣಿಯು ಒಂದು ಸರಣಿಯಾಗಿದ್ದು, ಅದರ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಗುಣಲಕ್ಷಣಗಳು (ಸರಾಸರಿ, ವ್ಯತ್ಯಾಸ) ಕಾಲಾನಂತರದಲ್ಲಿ ಸ್ಥಿರವಾಗಿರುತ್ತವೆ. ಸ್ಥಿರವಲ್ಲದ ಸರಣಿಯು ಪ್ರವೃತ್ತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ, ಅದರ ವ್ಯತ್ಯಾಸವು ಬೆಳೆಯುತ್ತದೆ ಅಥವಾ ಅದು ಘಟಕದ ಮೂಲವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಯೂನಿಟ್ ರೂಟ್ ಎನ್ನುವುದು ಒಂದು ರಚನೆಯಾಗಿದ್ದು, ಇದರಲ್ಲಿ ಸರಣಿಯು ಶಾಶ್ವತವಾಗಿ ಆಘಾತಗಳನ್ನು "ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತದೆ" ಮತ್ತು ಅದರ ಸರಾಸರಿಗೆ ಹಿಂತಿರುಗುವುದಿಲ್ಲ; ಅಂತಹ ಸರಣಿಯು ಯಾದೃಚ್ಛಿಕ ನಡಿಗೆಯಂತೆ ವರ್ತಿಸುತ್ತದೆ. ಇದು ಏಕೆ ಮುಖ್ಯ? ಏಕೆಂದರೆ ಎರಡು ಸ್ಥಾಯಿ-ಅಲ್ಲದ ಸರಣಿಗಳ ನಡುವಿನ ಹಿಂಜರಿಕೆಯು ವಾಸ್ತವದಲ್ಲಿ ಯಾವುದೇ ಸಂಬಂಧವಿಲ್ಲದಿದ್ದರೂ ಸಹ ಹೆಚ್ಚಿನ R-ವರ್ಗದ ಮತ್ತು ಗಮನಾರ್ಹ ಗುಣಾಂಕಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು - ಇದನ್ನು ನಕಲಿ ಹಿಂಜರಿತ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಸಾಮಾನ್ಯ ಪ್ರವೃತ್ತಿಯು ಎರಡು ಸರಣಿಗಳನ್ನು "ಸಂಬಂಧಿತ" ಎಂದು ತೋರುವಂತೆ ಮಾಡುತ್ತದೆ.
ಎಚ್ಚರಿಕೆ: ಎರಡು ಏರುತ್ತಿರುವ ಸರಣಿಗಳು (ಉದಾ. ಒಂದು ದೇಶದ ಜನಸಂಖ್ಯೆ ಮತ್ತು ಇನ್ನೊಂದು ದೇಶದ ಐಸ್ ಕ್ರೀಮ್ ಮಾರಾಟಗಳು) ಹೆಚ್ಚು ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರಬಹುದು; ಕಾಲಾನಂತರದಲ್ಲಿ ಅವೆರಡೂ ಹೆಚ್ಚಾದಂತೆ. ಇದು ಸಂಬಂಧವಲ್ಲ, ಆದರೆ ಸಾಮಾನ್ಯ ಪ್ರವೃತ್ತಿಯ ಭ್ರಮೆ. ಸಮಯ ಸರಣಿಯಲ್ಲಿ ಹಿಂಜರಿತವನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ನಿಶ್ಚಲತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಮರೆಯದಿರಿ.
ಹಂತ-ಹಂತದ ಸಮಯದ ಸರಣಿ ಕೆಲಸದ ಹರಿವು
1. ದೃಶ್ಯೀಕರಿಸು. ಸರಣಿಯ ಕಥಾವಸ್ತು: ಒಂದು ಪ್ರವೃತ್ತಿ ಇದೆಯೇ, ಋತುಮಾನವಿದೆಯೇ, ಕಾಲಾನಂತರದಲ್ಲಿ ವ್ಯತ್ಯಾಸವು ಬದಲಾಗುತ್ತದೆಯೇ, ರಚನಾತ್ಮಕ ವಿರಾಮವಿದೆಯೇ (ಹಠಾತ್ ಮಟ್ಟದ ಬದಲಾವಣೆ)?
2. ಪರೀಕ್ಷಾ ನಿಶ್ಚಲತೆ. ADF ಪರೀಕ್ಷೆ (ಆಗ್ಮೆಂಟೆಡ್ ಡಿಕ್ಕಿ-ಫುಲ್ಲರ್) ಮತ್ತು KPSS ಪರೀಕ್ಷಾ ಪರೀಕ್ಷಾ ಘಟಕ ರೂಟ್/ಸ್ಥಿರತೆ. ಇವೆರಡೂ ಒಂದಕ್ಕೊಂದು ಪೂರಕವಾಗಿವೆ: ADF ನಲ್ಲಿ ಶೂನ್ಯ ಕಲ್ಪನೆಯು "ಘಟಕ ಮೂಲವಿದೆ", KPSS ನಲ್ಲಿ ಇದು "ಸ್ಥಾಯಿ" ಆಗಿದೆ. ಎರಡನ್ನೂ ಒಟ್ಟಿಗೆ ಬಳಸುವುದು ಸುರಕ್ಷಿತವಾಗಿದೆ.
3. ನಿಶ್ಚಲತೆ. ಸರಣಿಯು ಸ್ಥಿರವಲ್ಲದಿದ್ದಲ್ಲಿ, ಅದು ಸಾಮಾನ್ಯವಾಗಿ ವ್ಯತ್ಯಾಸಗೊಳ್ಳುತ್ತದೆ (ಸತತ ಅವಲೋಕನಗಳ ವ್ಯತ್ಯಾಸ; ಇದು ಪ್ರವೃತ್ತಿಯನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ). ಒಮ್ಮೆ ವ್ಯತ್ಯಾಸವು "ಮೊದಲ ಕ್ರಮಾಂಕದ ಸಮಗ್ರ" (I(1)) ಸರಣಿಯನ್ನು ಸ್ಥಿರಗೊಳಿಸುತ್ತದೆ. ವ್ಯತ್ಯಾಸವು ಬೆಳೆಯುತ್ತಿದ್ದರೆ ಲಾಗ್ ರೂಪಾಂತರವು ಸಹ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
4. ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ. ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಚೌಕಟ್ಟೆಂದರೆ ARIMA (ಆಟೋ ರಿಗ್ರೆಸಿವ್ ಇಂಟಿಗ್ರೇಟೆಡ್ ಮೂವಿಂಗ್ ಆವರೇಜ್): ಇದು ಘಟಕಗಳನ್ನು AR (ಅದರ ಹಿಂದಿನ ಮೌಲ್ಯಗಳ ಮೇಲೆ ಸರಣಿಯ ಅವಲಂಬನೆ), I (ವ್ಯತ್ಯಾಸ ಪದವಿ), MA (ಹಿಂದಿನ ದೋಷಗಳ ಪರಿಣಾಮ) ಅನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಋತುಮಾನವಿದ್ದರೆ, ಸರಿಮಾವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. auto.arima ನಂತಹ ಸ್ವಯಂಚಾಲಿತ ಆಯ್ಕೆ ಸಾಧನಗಳಿಗೆ AI ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಆದರೆ ಸ್ವಯಂಚಾಲಿತ ಆಯ್ಕೆಯನ್ನು ಕುರುಡಾಗಿ ಸ್ವೀಕರಿಸಬೇಡಿ.
5. ಎಂಜಲುಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ಉತ್ತಮ ಮಾದರಿಯ ಉಳಿಕೆಗಳು ಬಿಳಿ ಶಬ್ದವಾಗಿರಬೇಕು: ಯಾವುದೇ ಮಾದರಿಯಿಲ್ಲ, ಸ್ವಯಂ ಸಂಬಂಧವಿಲ್ಲ. Ljung-Box ಪರೀಕ್ಷೆಯು ಇದನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಉಳಿಕೆಗಳಲ್ಲಿ ಇನ್ನೂ ಒಂದು ಮಾದರಿ ಇದ್ದರೆ, ಮಾದರಿಯು ಅಪೂರ್ಣವಾಗಿರುತ್ತದೆ.
6. ಅನಿಶ್ಚಿತತೆಯನ್ನು ಊಹಿಸಿ ಮತ್ತು ತೋರಿಸು. ಮುನ್ಸೂಚನೆ ಒಂದೇ ಸಾಲಿನಲ್ಲ; ಯಾವಾಗಲೂ ವಿಶ್ವಾಸ/ಅಂದಾಜು ಮಧ್ಯಂತರದೊಂದಿಗೆ ನೀಡಲಾಗುತ್ತದೆ. ಹಾರಿಜಾನ್ ಉದ್ದವಾಗುತ್ತಿದ್ದಂತೆ ವ್ಯಾಪ್ತಿಯು ವಿಸ್ತಾರಗೊಳ್ಳುತ್ತದೆ - ಇದು ಪ್ರಾಮಾಣಿಕತೆಯ ಸಂಕೇತವಾಗಿದೆ, ದೋಷವಲ್ಲ.
ಸಂಯೋಜನೆ: ಸ್ಥಿರವಲ್ಲದ ಸರಣಿಗಳೊಂದಿಗೆ ನಿಜವಾದ ಸಂಬಂಧ
ಎರಡು ಅಸ್ಥಿರ ಸರಣಿಗಳು ಯಾವಾಗಲೂ ನಕಲಿ ಸಂಬಂಧಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ. ಅವುಗಳ ನಡುವೆ ನಿಜವಾದ ದೀರ್ಘಾವಧಿಯ ಸಮತೋಲನವಿದ್ದರೆ (ಅವುಗಳು ಒಟ್ಟಿಗೆ ಚಲಿಸುತ್ತವೆ), ಇದನ್ನು ಸಂಯೋಜನೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ದೋಷ ತಿದ್ದುಪಡಿ ಮಾದರಿಯೊಂದಿಗೆ (ECM) ಮಾದರಿಯನ್ನು ಮಾಡಬಹುದು. ಆದ್ದರಿಂದ ಪರಿಹಾರವು "ವ್ಯತ್ಯಾಸ ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಎಸೆಯುವುದು" ಅಲ್ಲ; ಮೊದಲು ಸಮನ್ವಯತೆಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು. ಈ ವ್ಯತ್ಯಾಸವು ನಿಜವಾದ ದೀರ್ಘಾವಧಿಯ ಪರಸ್ಪರ ಸಂಬಂಧದಿಂದ ನಕಲಿ ಹಿಂಜರಿತವನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ ಮತ್ತು AI ತನ್ನದೇ ಆದ ಮೇಲೆ ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲದ ಸೈದ್ಧಾಂತಿಕ ಪರಿಗಣನೆಯಾಗಿದೆ.
ಹೋಲಿಕೆ ಚಾರ್ಟ್
ಸ್ಥಿತಿ
ಲಕ್ಷಣ
ಸರಿಯಾದ ವಿಧಾನ
ಸ್ಥಾಯಿ ಸರಣಿ
ಸ್ಥಿರ ಸರಾಸರಿ/ವ್ಯತ್ಯಾಸ
ನೇರ ಆರ್ಚಿಂಗ್
ಪ್ರವೃತ್ತಿಯೊಂದಿಗೆ (ಘಟಕ ಮೂಲ)
ನಿರಂತರ ಏರಿಕೆ, ಎಡಿಎಫ್ ಅರ್ಥಹೀನವಾಗಿದೆ
ವ್ಯತ್ಯಾಸ, ನಂತರ ಮಾದರಿ
ಎರಡು ಸ್ಥಿರವಲ್ಲದ ಸರಣಿಗಳು
ಹೆಚ್ಚಿನ R² ನಕಲಿಯಾಗಿರಬಹುದು
ಮೊದಲನೆಯದಾಗಿ, ಸಂಯೋಜನೆ ಪರೀಕ್ಷೆ
ಕಾಲೋಚಿತ
ವಾರ್ಷಿಕ ಪುನರಾವರ್ತನೆಯ ಮಾದರಿ
ಸರಿಮಾ / ಕಾಲೋಚಿತ ವ್ಯತ್ಯಾಸ
ರಚನಾತ್ಮಕ ವಿರಾಮ
ಹಠಾತ್ ಮಟ್ಟ/ಇಳಿಜಾರು ಬದಲಾವಣೆ
ಬ್ರೇಕ್ ಪರೀಕ್ಷೆ, ತಜ್ಞರ ತೀರ್ಪು
ನಕಲಿಸಬಹುದಾದ ನಾಲ್ಕು ಪ್ರಾಂಪ್ಟ್ಗಳು
1. ಸ್ಥಾಯಿ ರೋಗನಿರ್ಣಯ:
ನಿಮ್ಮ ಪಾತ್ರ: ಸಮಯ ಸರಣಿ ಸಹಾಯಕ. ನನಗೆ R ಕೋಡ್ ಬೇಕು, ನಾನು ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದಿಲ್ಲ. 'ಸರಣಿ' ಮಾಸಿಕ ಸಮಯ ಸರಣಿಯಾಗಿದೆ (ಟಿಎಸ್ ವಸ್ತು). ಕಾರ್ಯ: (1) ಸರಣಿ ಮತ್ತು ಸ್ವಯಂಸಂಬಂಧ (ACF/PACF) ಗ್ರಾಫ್ಗಳನ್ನು ಎಳೆಯಿರಿ, (2) ADF ಮತ್ತು KPSS ಪರೀಕ್ಷೆಗಳನ್ನು ಅನ್ವಯಿಸಿ, (3) ಫಲಿತಾಂಶಗಳನ್ನು ಒಟ್ಟಿಗೆ ಹೇಗೆ ಅರ್ಥೈಸುವುದು ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ನಾನು ವ್ಯತ್ಯಾಸವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ನಿರ್ಧಾರವನ್ನು ಮಾಡುತ್ತೇನೆ; ನೀವು ರೋಗನಿರ್ಣಯವನ್ನು ಮಾಡುತ್ತೀರಿ.
2. ಮಾದರಿ ಕಟ್ಟಡ (ಮೇಲ್ವಿಚಾರಣೆ):
ನನ್ನ ಸರಣಿಯು ಮೊದಲ ವ್ಯತ್ಯಾಸದಲ್ಲಿ ಸ್ಥಿರವಾಗಿ ಕಾಣುತ್ತದೆ. auto.arima ನೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ ಆದರೆ: (1) ಆಯ್ಕೆಮಾಡಿದ (p, d, q) ಆದೇಶಗಳನ್ನು ವಿವರಿಸಿ ಮತ್ತು ಅವುಗಳನ್ನು ಏಕೆ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ, (2) Ljung-Box ನೊಂದಿಗೆ ಬಿಳಿ ಶಬ್ದವಾಗಿದೆಯೇ ಎಂದು ಪರೀಕ್ಷಿಸಲು ಕೋಡ್ ಸೇರಿಸಿ, (3) ಸ್ವಯಂಚಾಲಿತ ಆಯ್ಕೆಯನ್ನು ಕುರುಡಾಗಿ ಸ್ವೀಕರಿಸದಂತೆ ನನಗೆ ನೆನಪಿಸಿ.
3. ನಕಲಿ ರಿಗ್ರೆಶನ್ ಎಚ್ಚರಿಕೆ:
ನನ್ನ ಎರಡು ಸಮಯದ ಸರಣಿಯ (X, Y) ನಡುವೆ ರಿಗ್ರೆಶನ್ ಅನ್ನು ಹೊಂದಿಸಲು ನಾನು ಬಯಸುತ್ತೇನೆ ಆದರೆ ಅವೆರಡೂ ಡಿಟ್ರೆಂಡ್ ಆಗಿವೆ. ನಕಲಿ ಹಿಂಜರಿಕೆಯ ಅಪಾಯವನ್ನು ಪರಿಶೀಲಿಸುವ ವರ್ಕ್ಫ್ಲೋ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ: ಮೊದಲು ಎರಡರ ಸ್ಥಿರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ, ನಂತರ ಸಂಯೋಜನೆಯ ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವಯಿಸಿ (ಇಂಗ್ಲೆ-ಗ್ರೇಂಜರ್ ಅಥವಾ ಜೋಹಾನ್ಸೆನ್). ನಾನು lm() ಅನ್ನು ನೇರವಾಗಿ ಚಲಾಯಿಸುವ ಮೊದಲು, ನನ್ನನ್ನು ನಿಲ್ಲಿಸಿ ಮತ್ತು ಅದು ಏಕೆ ಅಪಾಯಕಾರಿ ಎಂದು ವಿವರಿಸಿ.
4. ಭವಿಷ್ಯ ಮತ್ತು ಅನಿಶ್ಚಿತತೆ:
ನಾನು ರಚಿಸಿದ ARIMA ಮಾದರಿಯೊಂದಿಗೆ 12-ತಿಂಗಳ ಫಾರ್ವರ್ಡ್ ಮುನ್ಸೂಚನೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ; ಅದರ 80% ಮತ್ತು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರಗಳೊಂದಿಗೆ ಅಂದಾಜು ಮಾಡಿ. ಮುನ್ಸೂಚನೆಯು ಹಿಂದಿನ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ರಚನಾತ್ಮಕ ವಿರಾಮ/ಬಿಕ್ಕಟ್ಟಿನ ಸಂದರ್ಭದಲ್ಲಿ ಅಮಾನ್ಯವಾಗಬಹುದು ಎಂದು ಚಾರ್ಟ್ನ ಕೆಳಗೆ ಟಿಪ್ಪಣಿಯನ್ನು ಸೇರಿಸಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಹಿಂಜರಿಕೆಯೊಂದಿಗೆ ಈ ಎರಡು ಸರಣಿಗಳ ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ ಮತ್ತು ಮುಂದಿನ ವರ್ಷವನ್ನು ಊಹಿಸಿ.
ಈ ಹಕ್ಕು ತಪ್ಪು ಹಿಂಜರಿತದ ಬಲೆಗೆ ಆಹ್ವಾನವಾಗಿದೆ: ನಿಶ್ಚಲತೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ಹಿಂಜರಿತವನ್ನು ಸ್ಥಾಪಿಸಿದರೆ, ಹೆಚ್ಚಿನ R-ವರ್ಗದ ಆದರೆ ಅರ್ಥಹೀನ "ಸಂಬಂಧ" ಮತ್ತು ಅನಗತ್ಯ ಅಂದಾಜು ಹೊರಹೊಮ್ಮುತ್ತದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಎಚ್ಚರಿಕೆಯ ಸಮಯ ಸರಣಿ ಸಹಾಯಕ. ಹಂತ ಹಂತವಾಗಿ ಮುಂದುವರಿಯಿರಿ: (1) ಸರಣಿ ಮತ್ತು ವರದಿ ಎರಡರ ನಿಶ್ಚಲತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ, (2) ಅವು ಸ್ಥಿರವಾಗಿಲ್ಲದಿದ್ದರೆ, ನೇರ ಹಿಂಜರಿಕೆಯನ್ನು ಮಾಡಬೇಡಿ, ಮೊದಲು ಸಂಯೋಜನೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ, (3) ನೀವು ಮುನ್ಸೂಚನೆಯನ್ನು ನೀಡಿದರೆ, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ಸೇರಿಸಲು ಮತ್ತು ರಚನಾತ್ಮಕ ಬ್ರೇಕ್ ಎಚ್ಚರಿಕೆಯನ್ನು ಬರೆಯಲು ಮರೆಯದಿರಿ. ಪ್ರತಿ ಹಂತದಲ್ಲೂ ನನಗೆ ನಿರ್ಧಾರವನ್ನು ಬಿಡಿ; ಸ್ವಯಂಚಾಲಿತ ಪ್ರಗತಿ.
ವ್ಯತ್ಯಾಸ: ಬಲವಾದ ಬೇಡಿಕೆಯು ನಿಶ್ಚಲತೆ ಮತ್ತು ಹಿಂಜರಿತದ ಮೊದಲು ಏಕೀಕರಣದ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅಂದಾಜನ್ನು ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ನಕಲಿ ಹಿಂಜರಿತ. ವಿಶ್ಲೇಷಕರು R²=0.91, p<0.001 ಎರಡು ಏರುತ್ತಿರುವ ಸರಣಿಗಳ ನಡುವೆ (ಒಂದು ವಲಯದ ವಹಿವಾಟು ಮತ್ತು ಇನ್ನೊಂದು ದೇಶದ ಶಕ್ತಿಯ ಬಳಕೆ) ಮತ್ತು "ಬಲವಾದ ಸಂಬಂಧ" ಎಂದು ಬರೆದರು. ಅವರ ಸಲಹೆಗಾರ ಸ್ಥಾಯಿತ್ವ ಪರೀಕ್ಷೆಯನ್ನು ಕೇಳಿದಾಗ, ಅವರಿಬ್ಬರೂ ಘಟಕದ ಬೇರುಗಳನ್ನು ಹೊಂದಿದ್ದು, ಅವರ ವ್ಯತ್ಯಾಸಗಳನ್ನು ತೆಗೆದುಕೊಂಡಾಗ, ಸಂಬಂಧ (r = 0.04) ಸಂಪೂರ್ಣವಾಗಿ ಕಣ್ಮರೆಯಾಯಿತು. ಹೆಚ್ಚಿನ R-ವರ್ಗವು ಕೇವಲ ಸಾಮಾನ್ಯ ಪ್ರವೃತ್ತಿಯ ಭ್ರಮೆಯಾಗಿತ್ತು. ಪಾಠ: ನಿಶ್ಚಲತೆಯನ್ನು ಪರೀಕ್ಷಿಸದೆ ಸಮಯ ಸರಣಿಯ ಹಿಂಜರಿಕೆಯು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
ಪ್ರಕರಣ 2 - ಸ್ವಯಂಚಾಲಿತ ಮಾದರಿಯಲ್ಲಿ ಕುರುಡು ನಂಬಿಕೆ. ವಿದ್ಯಾರ್ಥಿಯೊಬ್ಬ ಆಟೋ.ಅರಿಮಾ ಆಯ್ಕೆ ಮಾಡಿದ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸದೆ ಬಳಸಿದ್ದಾನೆ; ತನ್ನ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಉಳಿದಿರುವ ಗಮನಾರ್ಹ ಋತುಮಾನವನ್ನು ಅವನು ಇನ್ನು ಮುಂದೆ ಗಮನಿಸಲಿಲ್ಲ. ಮಾದರಿಯು ಬೇಸಿಗೆಯ ತಿಂಗಳುಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಿದೆ. Ljung-Box ಪರೀಕ್ಷೆಯು ಶೇಷಗಳಲ್ಲಿ ಸ್ವಯಂ ಸಂಬಂಧವನ್ನು ತೋರಿಸಿದೆ. ಸರಿಯಾದ ಮಾರ್ಗ: ಕಾಲೋಚಿತ ಘಟಕವನ್ನು (SARIMA) ಸೇರಿಸುವುದು. ಪಾಠ: ಸ್ವಯಂಚಾಲಿತ ಆಯ್ಕೆಯು ಪ್ರಾರಂಭವಾಗಿದೆ, ಅಂತಿಮ ಪದವಲ್ಲ; ಅವಶೇಷಗಳನ್ನು ಪರಿಶೀಲಿಸಬೇಕು.
ಪ್ರಕರಣ 3 - ರಚನಾತ್ಮಕ ವಿರಾಮದಲ್ಲಿ ಮುನ್ಸೂಚನೆ ಕುಸಿತ. ಒಂದು ಮಾದರಿಯು 2019 ರ ಡೇಟಾದೊಂದಿಗೆ 2020 ಬೇಡಿಕೆಯನ್ನು ಊಹಿಸಿದೆ; ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವು ಕಿರಿದಾಗಿತ್ತು, ಅಂದಾಜು ವಿಶ್ವಾಸವಾಗಿತ್ತು. 2020 ರ ದೊಡ್ಡ ಆಘಾತ (ಸಾಂಕ್ರಾಮಿಕ) ಸಂಪೂರ್ಣವಾಗಿ ಭವಿಷ್ಯವನ್ನು ಸ್ಫೋಟಿಸಿತು ಏಕೆಂದರೆ ಮಾದರಿಯು ಹಿಂದಿನ ಮಾದರಿಯನ್ನು ಮಾತ್ರ ತಿಳಿದಿತ್ತು. ಪಾಠ: ಸಮಯ ಸರಣಿಯ ಮುನ್ಸೂಚನೆಯು ಭೂತಕಾಲವು ಭವಿಷ್ಯದಂತೆಯೇ ಇರುತ್ತದೆ ಎಂದು ಊಹಿಸುತ್ತದೆ; ಬಿಕ್ಕಟ್ಟು / ಸ್ಥಗಿತದ ಸಮಯದಲ್ಲಿ, ತಜ್ಞರ ತೀರ್ಪು ಮುಂಚೂಣಿಗೆ ಬರುತ್ತದೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ನಿಶ್ಚಲತೆಯನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಹಿಂಜರಿತವನ್ನು ಸ್ಥಾಪಿಸುವುದು. ನಕಲಿ ಹಿಂಜರಿಕೆಯು ಹೆಚ್ಚಿನ R-ವರ್ಗದ ಆದರೆ ಅತ್ಯಲ್ಪ ಸಂಬಂಧವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ; ಮೊದಲು ADF/KPSS ಅನ್ನು ಅನ್ವಯಿಸಿ.
- ಏಕೀಕರಣವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದು ಮತ್ತು ಬಿಟ್ಟುಬಿಡುವುದು. ನಿಜವಾದ ದೀರ್ಘಾವಧಿಯ ಸಂಬಂಧವಿದ್ದರೆ, ವ್ಯತ್ಯಾಸವನ್ನು ಕುರುಡಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವುದು ಮಾಹಿತಿಯನ್ನು ಎಸೆಯುತ್ತದೆ; ಮೊದಲು ಸಂಯೋಜನೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ.
- ಅದನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಸ್ವಯಂಚಾಲಿತ ಮಾದರಿಯನ್ನು ಬಳಸುವುದು. auto.arima ಉತ್ತಮ ಆರಂಭವಾಗಿದೆ ಆದರೆ ಅವಶೇಷಗಳನ್ನು (Ljung-Box) ಪರಿಶೀಲಿಸದೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
- ಅಂದಾಜನ್ನು ಒಂದೇ ಸಾಲಿನಂತೆ ಪ್ರಸ್ತುತಪಡಿಸುವುದು. ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವಿಲ್ಲದ ಅಂದಾಜು ತಪ್ಪು ನಿಖರತೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ; ಯಾವಾಗಲೂ ಅನಿಶ್ಚಿತತೆಯನ್ನು ತೋರಿಸಿ.
- ರಚನಾತ್ಮಕ ವಿರಾಮವನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಬಿಕ್ಕಟ್ಟು/ಆಡಳಿತ ಬದಲಾವಣೆಯು ಹಿಂದಿನ ಮಾದರಿಯನ್ನು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ; ಮಾದರಿಯು ಇದನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ, ತಜ್ಞರ ತೀರ್ಪು ಅಗತ್ಯವಿದೆ.
ಸಲಹೆ: ಸಮಯ ಸರಣಿಯ ಹುಡುಕಾಟವನ್ನು ಬರೆಯುವ ಮೊದಲು, ಸರಣಿಯ ಕಚ್ಚಾ ಗ್ರಾಫ್ ಅನ್ನು ಮತ್ತೊಮ್ಮೆ ನೋಡಿ. ನಿಮ್ಮ ಸ್ವಂತ ಕಣ್ಣುಗಳಿಂದ ನೀವು ನೋಡುವ ಸ್ಪಷ್ಟ ಪ್ರವೃತ್ತಿ ಅಥವಾ ವಿರಾಮವು ಯಾವುದೇ ಪರೀಕ್ಷೆಯು ನಿಮ್ಮನ್ನು ಮರೆತುಬಿಡಬಾರದು ಎಂಬ ಬಲವಾದ ಎಚ್ಚರಿಕೆಯಾಗಿದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ಸಮಯ ಸರಣಿಯ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, ಅವಲೋಕನಗಳು ಸ್ವತಂತ್ರವಾಗಿರುವುದಿಲ್ಲ; ಇವೆರಡೂ ಮುನ್ಸೂಚಕ ಶಕ್ತಿಯನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ನಕಲಿ ಹಿಂಜರಿತದಂತಹ ಅಪಾಯಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಮಾಡೆಲಿಂಗ್ ಮಾಡುವ ಮೊದಲು ಸ್ಥಿರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ (ADF/KPSS); ಸ್ಥಿರವಲ್ಲದ ಸರಣಿಗಳ ನಡುವಿನ ಹಿಂಜರಿಕೆಯನ್ನು ನೇರವಾಗಿ ಸ್ಥಾಪಿಸುವ ಬದಲು ಪರೀಕ್ಷಾ ಸಂಯೋಜನೆ; ಬಿಳಿ ಶಬ್ದ ಇರುವವರೆಗೆ ARIMA/SARIMA ಮಾದರಿಯ ಉಳಿಕೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ; ಯಾವಾಗಲೂ ಅಂದಾಜನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿ. AI ಈ ಎಲ್ಲಾ ಹಂತಗಳಿಗೆ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ತಜ್ಞರು ಸ್ವಯಂಚಾಲಿತ ಮಾದರಿ ಆಯ್ಕೆ, ಸಂಯೋಜನೆಯ ನಿರ್ಧಾರ ಮತ್ತು ರಚನಾತ್ಮಕ ವಿರಾಮ ವ್ಯಾಖ್ಯಾನವನ್ನು ನಿಯಂತ್ರಿಸುತ್ತಾರೆ. ಭವಿಷ್ಯವು ಹಿಂದಿನದನ್ನು ಆಧರಿಸಿದೆ; ಬಿಕ್ಕಟ್ಟಿನ ಸಮಯದಲ್ಲಿ, ಮಾನವ ತೀರ್ಪು ಅಂತಿಮ ಹೇಳಿಕೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸಮಯದ ಸರಣಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಮಾಸಿಕ ಅಥವಾ ತ್ರೈಮಾಸಿಕ). AI ಯ ಮೊದಲು, ಸ್ಥಾಯಿ ರೋಗನಿರ್ಣಯವನ್ನು (ಗ್ರಾಫ್, ACF/PACF, ADF, KPSS) ವಿನಂತಿಸಿ ಮತ್ತು ರನ್ ಮಾಡಿ ಮತ್ತು ಸರಣಿಯನ್ನು ಸ್ಥಾಯಿ/ನಿಶ್ಚಲವಲ್ಲದ ಎಂದು ವರ್ಗೀಕರಿಸಿ. ಅಗತ್ಯವಿದ್ದರೆ ಪ್ರತ್ಯೇಕಿಸಿ, ARIMA/SARIMA ಮಾದರಿಯನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು Ljung-Box ನೊಂದಿಗೆ ಉಳಿಕೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. 6-12 ಅವಧಿಯ ಫಾರ್ವರ್ಡ್ ಮುನ್ಸೂಚನೆಯನ್ನು ತಯಾರಿಸಿ ಮತ್ತು ಅದನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ಯೋಜಿಸಿ. ಅಂತಿಮವಾಗಿ, ನಿಮ್ಮ ಡೇಟಾದಲ್ಲಿ ರಚನಾತ್ಮಕ ಬ್ರೇಕ್ ಇದ್ದಲ್ಲಿ ನಿಮ್ಮ ಭವಿಷ್ಯ ಹೇಗೆ ತಪ್ಪಾಗಬಹುದು ಎಂಬುದನ್ನು ಪ್ಯಾರಾಗ್ರಾಫ್ನಲ್ಲಿ ಪರಿಗಣಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಸರಣಿಯನ್ನು ರೂಪಿಸಿದ್ದೇನೆ ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳು, ಕಾಲೋಚಿತತೆ ಮತ್ತು ವಿರಾಮಗಳನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸಿದೆ.
- [ ] ನಾನು ADF ಮತ್ತು KPSS ನೊಂದಿಗೆ ಸ್ಥಿರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿದೆ; ನಾನು ಅಗತ್ಯವಿರುವ ವ್ಯತ್ಯಾಸವನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇನೆ.
- [ ] ನಾನು ನೇರ ಹಿಂಜರಿತವನ್ನು ತಪ್ಪಿಸಿದೆ ಮತ್ತು ಸ್ಥಿರವಲ್ಲದ ಸರಣಿಗಳ ನಡುವಿನ ಸಂಯೋಜನೆಯನ್ನು ಪರೀಕ್ಷಿಸಿದೆ.
- [ ] ನಾನು ಮಾದರಿಯ ಅವಶೇಷಗಳನ್ನು (Ljung-Box) ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಅದು ಬಿಳಿ ಶಬ್ದ ಎಂದು ದೃಢಪಡಿಸಿದೆ.
- [ ] ನಾನು ಅಂದಾಜನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿದೆ; ನಾನು ಒಂದೇ ಸಾಲಾಗಿ ಕೊಟ್ಟಿಲ್ಲ.
- [ ] ನಾನು ರಚನಾತ್ಮಕ ವಿರಾಮ/ಬಿಕ್ಕಟ್ಟಿನ ಸಂದರ್ಭದಲ್ಲಿ ಮುನ್ಸೂಚನೆಯ ಮಿತಿಗಳನ್ನು ಗಮನಿಸಿದ್ದೇನೆ.